1.coec特征
coec即click over expected click，可以用来处理某些bias问题,比如最简单的位置偏置。 以解决位置偏置的coec为例，假设计算广告商家的coec，先统计每个位置上的点击率，然后广告商家在每个位置上的曝光乘以各个位置上的点击率，得到广告商家的期望点击数，最后，广告商家的实际点击数除以期望点击数就是coec的ctr了。通过这种方式计算出来的ctr，去除了位置的影响，之前因为位置排名靠前而导致ctr虚高的广告商家的coec特征就会变低，而因为位置排名靠后而导致ctr偏低的广告商家的coec特征就会变高，更能反映真实的广告质量。
coec的分母是期望点击数，其实是一个基于总体统计出来的点击数均值，而coec就是衡量当前商家的点击数相对总体点击均值的比值。该值越大，说明该商家在总体上的排名越靠前。
2.特征平滑
主要是贝叶斯平滑
贝叶斯平滑的公式如下:
\[\hat \gamma = \frac{C+\alpha}{I+\alpha + \beta}\] \[\alpha = \overline X(\frac{\overline X(1-\overline X)}{S^2}-1)\] \[\beta = (1-\overline X)(\frac{\overline X(1-\overline X)}{S^2}-1)\]\(\overline X\)为均值，\(S^2\)为样本方差
看了一下，
参考:
http://www.cs.cmu.edu/~xuerui/papers/ctr.pdf
https://blog.csdn.net/jinping_shi/article/details/78334362